基于随机森林算法的多维情境特征活动识别

doi:10.13474/j.cnki.11-2246.2017.0218

测绘通报 ›› 2017, Vol. 0 ›› Issue (7): 29-33,44.doi: 10.13474/j.cnki.11-2246.2017.0218

基于随机森林算法的多维情境特征活动识别

刘克强^1,2, 汪云甲¹, 陈锐志², 褚天行³

1. 中国矿业大学环境与测绘学院, 江苏徐州 221116;
2. 武汉大学测绘遥感信息工程国家重点实验室, 湖北武汉 430079;
3. 德州农工大学科普斯分校地理空间计算实验室, 美国德州科普斯 TX78412

收稿日期:2016-11-28 出版日期:2017-07-25 发布日期:2017-08-07
作者简介:刘克强(1988-),男,博士生,主要研究方向为无缝定位与人类活动识别。E-mail:cumtlkq@163.com
基金资助:
国家重点研发计划（2016YFB0502102）；国家高技术研究发展计划（863计划）（2013AA12A201）；现代工程测量国家测绘地理信息局重点实验室经费资助（TJES1302）；2014江苏省普通高校研究生科研创新计划（KYLX_1394）

Research on Human Activity Recognition with Multiple Contexts by Using Random Forest

LIU Keqiang^1,2, WANG Yunjia¹, CHEN Ruizhi², CHU Tianxing³

1. School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China;
2. State Key Labortatory of Information Engnineering in Surveying, Mapping, and Remote Sensing, Wuhan University, Wuhan 430079, China;
3. Conrad Blucher Institute for Surveying & Science, Texas A & M University Corpus Christi, Corpus Christi, TX 78412 USA

Received:2016-11-28 Online:2017-07-25 Published:2017-08-07

摘要/Abstract

摘要： 利用智能手机传感器可感知时间、空间、时空和用户等多维情境的特征，可识别用户活动，但原框架模型中仅利用了单一分类器中的朴素贝叶斯算法，存在分类精度效果受限的问题。本文利用集成分类器中的随机森林算法对原有框架中的单一分类器进行了改进。在获取的3个数据集上的十倍交叉验证结果表明，加权平均F1量测值均有较大提高，表明利用随机森林算法在分类精度效果上有所提升；但由于集成算法结构相对复杂，其学习效率相对较低。此外，随机森林算法的分类混淆矩阵表明，导致识别误差的因素主要为活动的定义与室内定位精度。

关键词: 活动识别, 情境感知, 机器学习, 随机森林, 手机传感器

Abstract: Previous research has verified the effectiveness of a method which utilizes multiple contexts including temporal, spatial, spatiotemporal and user from smartphone sensors to recognize human activities. But it has limitation in classification accuracy performance when recognizing human activity on smartphones by using naïve Bayes. This paper presents an improving research work on recognizing activity by utilizing a random forest algorithm in ensemble learning instead of original naïve Bayes under the same framework. The result of a ten-fold cross-validation experiment on three subjects' datasets shows that the weighted average F1 measures are improved by using random forest. However, the training time efficiency measures are worse than naive Bayes because of the complex structure of random forest. Meanwhile, the confusion matrix shows that the main factors for classification error are activity definition and indoor positioning error.

Key words: activity recognition, context awareness, machine learning, random forest, smartphone sensors

中图分类号:

P237

刘克强, 汪云甲, 陈锐志, 褚天行. 基于随机森林算法的多维情境特征活动识别[J]. 测绘通报, 2017, 0(7): 29-33,44.

LIU Keqiang, WANG Yunjia, CHEN Ruizhi, CHU Tianxing. Research on Human Activity Recognition with Multiple Contexts by Using Random Forest[J]. 测绘通报, 2017, 0(7): 29-33,44.

参考文献

[1] LARA O D, LABRADOR M A. A Survey on Human Activity Recognition Using Wearable Sensors[J]. IEEE Communications Surveys & Tutorials, 2013, 15(3):1192-1209.
[2] INCEL O D, KOSE M, ERSOY C. A Review and Taxonomy of Activity Recognition on Mobile Phones[J]. BioNanoScience, 2013, 3(2):145-171.
[3] SU X, TONG H, JI P. Activity Recognition with Smartphone Sensors[J]. Tsinghua Science and Technology, 2014, 19(3):235-249.
[4] CHEN R, CHU T, LIU K, et al. Inferring Human Activity in Mobile Devices by Computing Multiple Contexts[J]. Sensors, 2015, 15(9):21219-21238.
[5] COSKUN D, INCEL O D, OZGOVDE A. Phone Position/Placement Detection Using Accelerometer:Impact on Activity Recognition[C]//IEEE Tenth International Conference on Intelligent Sensors, Sensor Networks and Information Processing.[S.l.]:IEEE, 2015:1-6.
[6] DASH Y, KUMAR S, PATLE V K. A Novel Data Mining Scheme for Smartphone Activity Recognition by Accelerometer Sensor[C]//Proceedings of the 4th International Conference on Frontiers in Intelligent Computing:Theory and Applications (FICTA) 2015.[S.l.]:Springer India, 2016.
[7] GUO J, ZHOU X, SUN Y, et al. Smartphone-based Patients' Activity Recognition by Using a Self-learning Scheme for Medical Monitoring[J]. Journal of medical systems, 2016, 40(6):1-14.
[8] 周博翔,李平,李莲.改进随机森林及其在人体姿态识别中的应用[J].计算机工程与应用,2015, 51(16):86-92.
[9] HO T K. Random Decision Forests[C]//International Conference on Document Analysis and Recognition.[S.l.]:IEEE, 1995:278-282.
[10] BREIMAN L. Random Forests[J]. Machine learning, 2001, 45(1):5-32.
[11] 郭玉宝, 池天河, 彭玲,等. 利用随机森林的高分一号遥感数据进行城市用地分类[J]. 测绘通报, 2016(5):73-76.
[12] HALL M, FRANK E, HOLMES G, et al. The Weka Data Mining Software:An Update[J]. ACM SIGKDD Explorations Newsletter, 2009, 11(1):10-18.

[1]	孔瑞瑶, 谢涛, 马明, 孔瑞林. CatBoost模型在水深反演中的应用[J]. 测绘通报, 2022, 0(7): 33-37.
[2]	温雨笑, 吕杰, 马庆勋, 张鹏, 徐汝岭. 高光谱和LiDAR联合反演森林生物量研究[J]. 测绘通报, 2022, 0(7): 38-42.
[3]	吕峥, 孙群, 温伯威, 马京振. 一种自身全局最优的道路网Stroke生成方法[J]. 测绘通报, 2022, 0(7): 93-99.
[4]	郁宗桥, 王育红, 刘文宋, 左雨芳, 冯锋. 顾及GF-3影像纹理特征的洪涝范围提取方法[J]. 测绘通报, 2022, 0(5): 26-31.
[5]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[6]	张驰, 白志辉, 李亮, 陈冉丽, 吴侃. 利用三维激光扫描技术监测矿区桥梁结构形变[J]. 测绘通报, 2022, 0(4): 122-129.
[7]	冯志立, 肖锋, 卢小平, 郝波, 王如意, 朱睿. 基于随机森林特征优选的冬小麦分类方法[J]. 测绘通报, 2022, 0(3): 70-75.
[8]	王刚, 丁华祥. Sentinel-2A数据支持下的雷州半岛植被类型识别[J]. 测绘通报, 2022, 0(3): 76-82.
[9]	王晓晓, 韩留生, 杨骥, 李勇, 张大富, 孙广伟, 范俊甫. Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取[J]. 测绘通报, 2022, 0(3): 111-115.
[10]	崔青林, 汪鸣泉, 黄永健. 融合随机森林模型和6种水体指数的上海市水体信息提取[J]. 测绘通报, 2022, 0(2): 106-109.
[11]	张自强, 刘涛, 杜萍, 锁旭宏, 杨国林. 图残差神经网络支持下的建筑物群组模式分类[J]. 测绘通报, 2022, 0(1): 1-7.
[12]	高雨, 胡召玲, 樊茹. 高分辨率影像融合算法对滨海湿地土地利用分类精度的影响[J]. 测绘通报, 2022, 0(1): 116-120.
[13]	李军, 桑潇, 张成业, 赵伟, 刘新华, 王宏鹏, 王金阳, 李佳瑶, 杨颖. 资源型城市长时间序列土壤含水量变化分析——以锡林浩特市为例[J]. 测绘通报, 2021, 0(7): 17-22,38.
[14]	刘茂华, 李曼雯. 融合高分影像和LiDAR数据的城市道路提取[J]. 测绘通报, 2021, 0(6): 1-5,60.
[15]	古春霞, 李大成. 时空融合技术在区域地表覆盖时序分类中的应用[J]. 测绘通报, 2021, 0(5): 20-24.

基于随机森林算法的多维情境特征活动识别

Research on Human Activity Recognition with Multiple Contexts by Using Random Forest

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价